3. Systèmes linéaires
Introduction aux systèmes linéaires
L’algèbre linéaire est un outil essentiel pour toutes les branches
mathématiques, en particulier lorsqu’il s’agit de modéliser puis résoudre
numériquement des problèmes issus de divers domaines : des sciences
physiques ou mécaniques, des sciences du vivant, de la chimie, de
l’économie, des sciences de l’ingénieur... Les systèmes linéaires
interviennent à travers leurs applications dans de nombreux contextes, car
il forment de la base calculatoire de l’algèbre linéaire. Ils permettent
également de traiter une bonne partie de la théorie de l’algèbre linéaire en
dimension finie.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 3 / 131
4. Systèmes linéaires
Introduction aux systèmes linéaires
Équation de droite dans le plan (Oxy) :
ax + by = e (1)
a, b et e sont des paramètres réel, a et b non nuls simultanément.
L’équation (1) s’appelle équation linéaire dans les variables (ou
inconnues) x et y.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 4 / 131
5. Systèmes linéaires
Introduction aux systèmes linéaires
Exemple : deux droites dans le plan
On considère deux droites D1 et D2. On cherche les points qui sont
simultanément sur ces deux droites.
Un point (x, y) est dans l’intersection D1 ∩ D2 s’il est solution du système :
(
ax + by = e
cx + dy = f
(2)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 5 / 131
6. Systèmes linéaires
Introduction aux systèmes linéaires
Trois cas se présentent
Figure – Une solution unique, pas de solution et solution infinie
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 6 / 131
7. Systèmes linéaires
Résolution par substitution
Exemple : (
3x + 2y = 1
2x − 7y = −2
(3)
(3) ⇔
(
y = 1
2 − 3
2x
2x − 7(1
2 − 3
2x) = −2
⇔
(
y = 1
2 − 3
2x
x = 3
25
⇔
(
y = 8
25
x = 3
25
Le système (3) admet une solution unique 3
25, 8
25
. L’ensemble des
solutions est :
S =
3
25
,
8
25
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 7 / 131
8. Systèmes linéaires
Introduction aux systèmes linéaires
Exemple : deux droites dans l’espace
Dans l’espace (Oxy), une équation linéaire est l’équation d’un plan :
ax + by + cz = d
a, b et c n’étant pas nuls simultanément.
L’intersection de deux plans dans l’espace correspond au système suivant à
2 équations et 3 inconnus.
(
ax + by + cz = d
a0x + b0y + c0z = d0
Si les plans sont parallèles (et distincts), il n’y a aucune solution au
système,
Si les plans sont confondus, il y a une infinité de solutions au système,
Si les plans se coupent en une droite, il y a une infinité de solutions.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 8 / 131
10. Systèmes linéaires
Introduction aux systèmes linéaires
Méthode de Cramer
On note
a b
c d
= ad − bc le déterminant. On considère que le système a
2 équations et 2 inconnues :
(
ax + by = e
cx + dy = f
Si ad − bc 6= 0, on trouve une unique solution dont les coordonnées (x, y)
sont :
x =
e b
f d
a b
c d
, y =
a e
c f
a b
c d
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 10 / 131
11. Systèmes linéaires
Introduction aux systèmes linéaires
Méthode de Cramer
Exemple :
Résoudre le système (
tx − 2y = 1
3x + ty = 1
suivant la valeur du paramètre t ∈ R.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 11 / 131
12. Systèmes linéaires
Introduction aux systèmes linéaires
Résolution par inversion de matrice
En terme matriciel, le système linéaire
(
ax + by = e
cx + dy = f
est équivalent à
AX = Y où A =
a b
c d
, X =
x
y
, Y =
e
f
.
Si le déterminant de la matrice A est non nul, c’est-à-dire si ad − bc 6= 0,
alors la matrice A est inversible et
A−1
=
1
ad − bc
d −b
−c a
et l’unique solution X =
x
y
du système est donné par :
X = A−1
Y
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 12 / 131
13. Systèmes linéaires
Théorie des systèmes linéaires
- Définitions
Définition 1
On appelle équation linéaire dans les variables (ou inconnues) x1, . . . , xp
toute relation de la forme
a1x1 + · · · + apxp = b, (4)
où a1, . . . , ap et b sont des nombres réels donnés.
Soit n 1 un entier.
Définition 2
Un système de n équations à p inconnues est une liste de n équations
linéaires.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 13 / 131
14. Systèmes linéaires
Théorie des systèmes linéaires
- Définitions
La forme générale d’un système de n équations à p inconnues est la
suivante :
a11x1 +a12x2 +a13x3 + · · · +a1pxp = b1
a21x1 +a22x2 +a23x3 + · · · +a2pxp = b2
.
.
.
.
.
.
.
.
.
.
.
. =
.
.
.
ai1x1 +ai2x2 +ai3x3 + · · · +aipxp = bi
.
.
.
.
.
.
.
.
.
.
.
. =
.
.
.
an1x1 +an2x2 +an3x3 + · · · +anpxp = bn
Les nombres aij , i = 1, . . . , n, j = 1, . . . , p, sont les coefficients du
système. Les nombres bi , i = 1, . . . , n, constituent le second membre du
système.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 14 / 131
15. Systèmes linéaires
Théorie des systèmes linéaires
- Définitions
Définition 3
Une solution du système linéaire est une liste de p nombres réels
(s1, s2, . . . , sp) (un p-uplet) tels que si l’on substitue s1 pour x1, s2 pour
x2, etc., dans le système linéaire, on obtient une égalité. L’ensemble des
solutions du système est l’ensemble de tous ces n-uplets.
Exemple :
Le système
x1 − 3x2 + x3 = 1
−2x1 + 4x2 − 3x3 = 9
admet comme solution (−18; −6; 1), c’est-à-dire
x1 = −18, x2 = −6, x3 = 1
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 15 / 131
16. Systèmes linéaires
Théorie des systèmes linéaires
- Définitions
Définition 4
On dit que deux systèmes linéaires sont équivalents s’ils ont le même
ensemble de solutions.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 16 / 131
17. Systèmes linéaires
Théorie des systèmes linéaires
- Différents types de systèmes
Théorème 1
Un système d’équations linéaires n’a soit aucune solution, soit une seule
solution, soit une infinité de solutions.
En particulier, si vous trouvez 2 solutions différentes à un système linéaire,
alors c’est que vous pouvez en trouver une infinité ! Un système linéaire
qui n’a aucune solution est dit incompatible.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 17 / 131
18. Systèmes linéaires
Théorie des systèmes linéaires
- Systèmes homogènes
Un cas particulier important est celui des systèmes homogènes, pour
lesquels b1 = b2 = · · · = bn = 0, c’est-à-dire dont le second membre est
nul. De tels systèmes sont toujours compatibles car ils admettent toujours
au moins la solution s1 = s2 = · · · = sp = 0. Cette solution est appelée
solution triviale.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 18 / 131
19. Systèmes linéaires
Pivot de Gauss
- Systèmes échelonnés
Définition 5
Un système est dit échelonné si le nombre de coefficients nuls
commençant une ligne croı̂t strictement ligne après ligne.
Il est échelonné réduit si en plus :
le premier coefficient non nul d’une ligne vaut 1 ;
et c’est le seul élément non nul de sa colonne.
Exemple :
2x1 +3x2 +2x3 −x4 = 5
−x2 −2x3 = 4
3x4 = 1
est échelonné (mais pas réduit).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 19 / 131
20. Systèmes linéaires
Pivot de Gauss
- Systèmes échelonnés
2x1 +3x2 +2x3 −x4 = 5
−2x3 = 4
x3 +x4 = 1
n’est pas échelonné (la dernière
ligne commence avec la même variable que la ligne au-dessus).
Le système linéaire suivant est échelonné et réduit
x1 +2x3 = 26
x2 −2x3 = 16
x4 = 1
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 20 / 131
21. Systèmes linéaires
Pivot de Gauss
- Opérations sur les équations d’un système
Trois opérations élémentaires sur les équations :
1 Li ← λLi avec λ 6= 0 : on peut multiplier une équation par un réel
non nul.
2 Li ← Li + λLj avec λ ∈ R et j 6= i) : on peut ajouter à l’équation Li
un multiple d’une autre équation Lj ,
3 Li ↔ Lj : on peut échanger deux équations.
Ces trois opérations ne changent pas les solutions d’un système linéaire
mais transforment un système linéaire en un système équivalent.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 21 / 131
22. Systèmes linéaires
Pivot de Gauss
- Opérations sur les équations d’un système
Exemple :
Utilisons des opérations élémentaires pour résoudre le système suivant :
x +y +7z = −1 (L1)
2x −y +5z = −5 (L2)
−x −3y −9z = −5 (L3)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 22 / 131
23. Systèmes linéaires
Pivot de Gauss
- Méthode du pivot de Gauss
La méthode du pivot de Gauss permet de trouver les solution de n’importe
quel système linéaire. Il s’agit d’une description précise d’une suite
d’opérations à effectuer, qui dépendent de la situation et d’un ordre précis.
Ce processus aboutit toujours (et en plus assez rapidement) à un système
échelonné puis réduit, qui conduit immédiatement aux solutions du
système.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 23 / 131
24. Systèmes linéaires
Pivot de Gauss
- Méthode du pivot de Gauss
Passage à une forme échelonnée
Soit le système suivant à résoudre :
−x2 +2x3 +13x4 = 5
x1 −2x2 +3x3 +17x4 = 4
−x1 +3x2 −3x3 −20x4 = −1
Pour appliquer la méthode du pivot de Gauss, il faut d’abord que le premier
coefficient de la première ligne soit non nul. Comme ce n’est pas le cas ici,
on échange les deux premières lignes par l’opération élémentaire L1 ↔ L2.
x1 −2x2 +3x3 +17x4 = 4 L1 ↔ L2
−x2 +2x3 +13x4 = 5
−x1 +3x2 −3x3 −20x4 = −1
Nous avons déjà un coefficient 1 devant le x1 de la première ligne. On dit
que nous avons un pivot en position (1, 1) (première ligne, première
colonne).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 24 / 131
25. Systèmes linéaires
Pivot de Gauss
- Méthode du pivot de Gauss
Il n’y a pas de terme x1 sur la seconde ligne. Faisons disparaı̂tre le terme
x1 de la troisième ligne ; pour cela on fait l’opération élémentaire
L3 ← L3 + L1 :
x1 −2x2 +3x3 +17x4 = 4
−x2 +2x3 +13x4 = 5
x2 −3x4 = 3 L3 ← L3 + L1
On change le signe de la seconde ligne (L2 ← −L2) pour faire apparaı̂tre 1
au coefficient du pivot (2, 2) (deuxième ligne, deuxième colonne) :
x1 −2x2 +3x3 +17x4 = 4
x2 −2x3 −13x4 = −5 L2 ← −L2
x2 −3x4 = 3
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 25 / 131
26. Systèmes linéaires
Pivot de Gauss
- Méthode du pivot de Gauss
On fait apparaı̂tre le terme x2 de la troisième ligne, puis on fait apparaı̂tre
un coefficient 1 pour le pivot de la position (3, 3) :
x1 −2x2 +3x3 +17x4 = 4
x2 −2x3 −13x4 = −5
2x3 +10x4 = 8 L3 ← L3 − L2
x1 −2x2 +3x3 +17x4 = 4
x2 −2x3 −13x4 = −5
x3 +5x4 = 4 L3 ← 1
2L3
Le système est maintenant sous forme échelonnée.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 26 / 131
27. Systèmes linéaires
Pivot de Gauss
- Méthode du pivot de Gauss
Passage à une forme réduite
Il reste à mettre sous forme réduite. Pour cela, on ajoute à une ligne des
multiples adéquats des lignes situées au-dessous d’elle, en allant du bas à
droite vers le haut à gauche.
On fait apparaı̂tre des 0 sur la troisième colonne en utilisant le pivot de la
troisième ligne :
x1 −2x2 +3x3 +17x4 = 4
x2 −3x4 = 3 L2 ← L2 + 2L3
x3 +5x4 = 4
x1 −2x2 +2x4 = −8 L1 ← L1 − 3L3
x2 −3x4 = 3
x3 +5x4 = 4
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 27 / 131
28. Systèmes linéaires
Pivot de Gauss
- Méthode du pivot de Gauss
On fait apparaı̂tre des 0 sur la deuxième colonne (en utilisant le pivot de la
deuxième ligne) :
x1 −4x4 = −2 L1 ← L1 + 2L2
x2 −3x4 = 3
x3 +5x4 = 4
Le système est sous la forme réduite.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 28 / 131
29. Systèmes linéaires
Pivot de Gauss
- Méthode du pivot de Gauss
Solutions
Le système est maintenant très simple à résoudre. En choisissant X4
comme variable libre on peux exprimer x1, x2, x3 en fonction de x4.
x1 = 4x4 − 2, x2 = 3x4 + 3, x3 = −5x4 + 4
Ce qui permet d’obtenir toutes les solution du système :
S = {(4x4 − 2, 3x4 + 3, −5x4 + 4, x4) | x4 ∈ R}.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 29 / 131
30. Systèmes linéaires
Pivot de Gauss
- Systèmes homogènes
Théorème 2
Tout système homogène d’équations linaires dont nombre d’inconnues est
strictement plus grand que le nombre d’équations a une infinité de
solutions.
Exercice :
Résoudre le système suivant :
3x1 +3x2 −2x3 −x5 = 0
−x1 −x2 +x3 +3x4 +x5 = 0
2x1 +2x2 −x3 +2x4 +2x5 = 0
x3 +8x4 +4x5 = 0
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 30 / 131
31. Matrices
Définitions
Définition 6
Une matrice A est un tableau rectangulaire d’élément de K.
Elle est dite de taille n × p si le tableau possède n lignes et p colonnes.
Les nombres du tableau sont appelés les coefficients de A.
Le coefficient situé à la i-ème ligne et à la j-ème colonne est noté ai,j .
La matrice A est représentée de la manière suivante :
A =
a1,1 a1,2 . . . a1,j . . . a1,p
a2,1 a2,2 . . . a2,j . . . a2,p
. . . . . . . . . . . . . . . . . .
ai,1 ai,2 . . . ai,j . . . ai,p
. . . . . . . . . . . . . . . . . .
an,1 an,2 . . . an,j . . . an,p
ou A = (ai,j )16i6n
16j6p
ou (ai,j ) .
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 31 / 131
32. Matrices
Définitions
Exemple :
A =
1 −2 5
0 3 7
est une matrice 2 × 3 avec, par exemple, a1,1 = 1 et a2,3 = 7.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 32 / 131
33. Matrices
Définitions
Définition 7
Deux matrices sont égales lorsqu’elles ont la même taille et que les
coefficients correspondants sont égaux.
L’ensemble des matrice à n lignes et p colonnes à coefficients dans K
est noté Mn,p(K). Les éléments de Mn,p(R) sont appelés matrices
réelles.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 33 / 131
34. Matrices
Définitions
- Matrices particulières
Si n = p (même nombre de lignes que de colonnes), la matrice est
dite matrice carrée. On note Mn(K) au lieu de Mn,n(K).
a1,1 a1,2 . . . a1,n
a2,1 a2,2 . . . a2,n
.
.
.
.
.
.
...
.
.
.
an,1 an,2 . . . an,n
Les éléments a1,1, a2,2, . . . , an,n forment la diagonale principale de la
matrice.
Une matrice qui n’a qu’une seule ligne (n = 1) est appelée matrice
ligne ou vecteur ligne. On la note
a1,1 a1,2 . . . a1,p
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 34 / 131
35. Matrices
Définitions
- Matrices particulières
De même, une matrice qui n’a qu’une seule colonne (p = 1) est
appelée matrice colonne ou vecteur colonne. on la note
a1,1
a2,1
.
.
.
an,1
La matrice (de taille n × p) dont tous les coefficients sont des zéros
est appelée la matrice nulle et est notée 0n,p ou plus simplement 0.
Dans le calcul matriciel, la matrice nulle joue le rôle du nombre 0
pour les réels.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 35 / 131
36. Matrices
Définitions
- Addition de matrices
Définition 8 (Somme de deux matrices)
Soient A et B deux matrices ayant la même taille n × p. La somme
C = A + B est la matrice de taille n × p définie par
cij = aij + bij
Exemple :
Si A =
3 −2
1 7
et B =
0 5
2 −1
alors A + B =
3 3
3 6
.
Par contre si B0 =
−2
8
alors A + B0 n’est pas définie.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 36 / 131
37. Matrices
Définitions
- Addition de matrices
Définition 9 (Produit d’une matrice par un scalaire)
Le produit d’une matrice A = (aij ) de Mn,p(K) par un scalaire α ∈ K est
la matrice (α aij ) formée en multipliant chaque coefficient de A par α. Elle
est notée α · A (ou simplement αA).
Exemple :
Si A =
1 2 3
0 1 0
et α = 2 alors αA =
2 4 6
0 2 0
.
La matrice (−1)A est l’opposée de A et est notée −A. La différence
A − B est définie par A + (−B).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 37 / 131
38. Matrices
Définitions
- Addition de matrices
Exemple :
Si A =
2 −1 0
4 −5 2
et B =
−1 4 2
7 −5 3
alors
A − B =
3 −5 −2
−3 0 −1
.
Proposition 1
Soient A, B et C trois matrices appartenant à Mn,p(K). Soient α ∈ K et β ∈ K deux
scalaires.
1 A + B = B + A : la somme est commutative,
2 A + (B + C) = (A + B) + C : la somme est associative,
3 A + 0 = A : la matrice nulle est l’élément neutre de l’addition,
4 (α + β)A = αA + βA,
5 α(A + B) = αA + αB.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 38 / 131
39. Matrices
Multiplication de matrice
- Définition du produit
Le produit de deux matrices A et B est défini si et seulement si le nombre
de colonnes de A est égal au nombre de lignes de B.
Définition 10 (Produit de deux matrices)
Soient A = (aij ) une matrice n × p et B = (bij ) une matrice p × q. Alors le
produit C = AB est une matrice n × q dont les coefficients cij sont définis
par :
cij =
p
X
k=1
aikbkj
De façon plus développée on a :
cij = ai1b1j + ai2b2j + · · · + aikbkj + · · · + aipbpj
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 39 / 131
40. Matrices
Multiplication de matrice
- Définition du produit
Exemple :
1
A =
1 2 3
2 3 4
, B =
1 2
−1 1
1 1
AB = . . .
2 Le produit scalaire u × v : produit d’un vecteur ligne u et d’un
vecteur colonne v.
u = a1 a2 . . . an
, v =
b1
b2
.
.
.
bn
, u × v = . . .
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 40 / 131
41. Matrices
Multiplication de matrice
- Propriétés du produit de matrices
Proposition 2
1 A(BC) = (AB)C : associativité du produit,
2 A(B + C) = AB + AC et (B + C)A = BA + CA : distributivité du
produit par rapport à la somme.
3 A · 0 = 0 et 0 · A = 0
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 41 / 131
42. Matrices
Multiplication de matrice
- Propriétés du produit de matrices
Remarque :
Le produit de matrices n’est pas commutatif en général
1.) A =
1 2 3
2 3 4
, B =
1 2 0
−1 1 2
1 1 0
. Alors AB = . . .
mais BA est impossible car le nombre de colonnes de B n’est pas égal
au nombre de lignes de A.
2.) A =
5 1
3 −2
, B =
2 0
4 3
. Alors AB 6= BA
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 42 / 131
43. Matrices
Multiplication de matrice
- Propriétés du produit de matrices
AB = 0 n’implique pas A = 0 ou B = 0.
Exemple : A =
0 −1
0 5
, B =
2 −3
0 0
et AB =
0 0
0 0
.
AB = AC n’implique pas B = C. On peut avoir AB = AC et B 6= C
Exemple : A =
0 −1
0 3
, B =
4 −1
5 4
, C =
2 5
5 4
et
AB = AC = . . .
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 43 / 131
44. Matrices
Multiplication de matrice
- Matrice identité
Une matrice identité est une matrice carrée de la forme
In =
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
...
.
.
.
0 0 . . . 1
Ces éléments diagonaux sont égaux à 1 et tous ses autres éléments sont
égaux à 0. Elle se note In ou simplement I. Dans le calcul matriciel, la
matrice identité joue un rôle analogue à celui du nombre 1 pour les réels.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 44 / 131
45. Matrices
Multiplication de matrice
- Matrice identité
Proposition 3
Si A est une matrice n × p, alors
In · A = A et A · Ip = A
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 45 / 131
46. Matrices
Multiplication de matrice
- Définition
Définition 11
Soit A une matrice carrée de taille n × n. S’il existe une matrice carrée B
de taille n × n telle que
AB = I et BA = I,
on dit que A est inversible. On appelle B l’inverse de A et on la note
A−1.
L’ensemble des matrices inversibles de Mn(K) est notée GLn(K).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 46 / 131
47. Matrices
Inverse d’une matrice
- Exemples
Exemple 1 :
Soit A =
1 2
0 3
. Étudier si A est inversible, c’est étudier l’existence d’une
matrice B =
a b
c d
à coefficients dans K, telle que AB = I et BA = I.
AB = I ⇔
1 2
0 3
a b
c d
=
1 0
0 1
⇔
a + 2c b + 2d
3c 3d
=
1 0
0 1
Ce qui équivaut au système suivant :
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 47 / 131
48. Matrices
Inverse d’une matrice
- Exemples
a + 2c = 1
b + 2d = 0
3c = 0
3d = 1
La résolution de ce système donne : a = 1; b = −2
3, c = 0, d = 1
3.
C’est-à-dire B =
1 −2
3
0 1
3
.
Il reste à vérifier que BA = I. (en exercice) .
La matrice A est donc inversible et A−1 =
1 −2
3
0 1
3
Exemple 2 :
A =
3 0
5 0
n’est pas inversible.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 48 / 131
49. Matrices
Inverse d’une matrice
- Propriétés
Proposition 4 (unicité de l’inverse)
Si A est inversible, alors son inverse est unique.
Proposition 5 (inverse de l’inverse)
Soit A une matrice inversible. Alors A−1 est aussi inversible et on a :
(A−1
)−1
= A
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 49 / 131
50. Matrices
Inverse d’une matrice
- Propriétés
Proposition 6
Soient A et B deux matrices inversibles de même taille. Alors AB est
inversible et
(AB)−1
= B−1
A−1
Proposition 7
Soient A et B deux matrices de Mn(K) et C une matrice inversible de
Mn(K). Alors l’égalité AC = BC implique A = B.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 50 / 131
51. Matrices
Inverse d’une matrice : Calculs
- Matrice 2 × 2
On considère la matrice 2 × 2 : A =
a b
c d
Proposition 8
Si ad − bc 6= 0, alors A est inversible et
A−1
=
1
ad − bc
d −b
−c a
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 51 / 131
52. Matrices
Inverse d’une matrice : Calculs
- Méthode de Gauss pour inverser les matrices
La méthode pour inverser une matrice A consiste à faire des opérations
élémentaires sur les lignes de la matrice A jusqu’à la transformer en la
matrice identité I. On fait simultanément les mêmes opérations en partant
de la matrice I. On aboutit alors à une matrice qui est A−1.
En pratique, on fait les deux opérations en même temps en adoptant la
disposition suivante : à côté de la matrice A que l’on veut inverser, on
rajoute la matrice identité pour former un tableau (A|I). Sur les lignes de
cette matrice augmentée, on effectue des opérations élémentaires jusqu’à
obtenir le tableau (I|B). Et alors B = A−1.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 52 / 131
53. Matrices
Inverse d’une matrice : Calculs
- Exemple
Calculons l’inverse de A =
1 2 1
4 0 −1
−1 2 2
, . . .
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 53 / 131
55. Matrices
Inverse d’une matrice : Calculs
- Matrice et systèmes linéaires
On appelle A ∈ Mn,p(K) la matrice des coefficients du système.
B ∈ Mn,1(K) est le vecteur du second membre. Le vecteur
X ∈ Mp,1(K) est une solution du système ssi
AX = B
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 55 / 131
56. Matrices
Inverse d’une matrice : Calculs
- Matrice et systèmes linéaires
On considère que A ∈ Mn(K).
Proposition 9
Si la matrice A est inversible, alors la solution du système AX = B est
unique et est :
X = A−1
B
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 56 / 131
57. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Matrice triangulaires, matrices diagonales
Soit A une matrice de taille n ×n. On dit que A est triangulaire inférieure
si ses éléments au-dessus de la diagonale sont nuls, autrement dit :
i j =⇒ aij = 0
Une matrice triangulaire inférieure est de la forme suivante :
a11 0 · · · · · · 0
a21 a22
...
.
.
.
.
.
.
.
.
.
...
...
.
.
.
.
.
.
... 0
an1 an2 · · · · · · ann
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 57 / 131
58. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Matrice triangulaires, matrices diagonales
On dit que A est triangulaire supérieure si ses éléments en-dessous de la
diagonale sont nuls, autrement dit :
i j =⇒ aij = 0
Une matrice triangulaire supérieure est de la forme suivante :
a11 a12 · · · · · · · · · a1n
0 a22 · · · · · · · · · a2n
.
.
.
...
...
.
.
.
.
.
.
...
...
.
.
.
.
.
.
...
...
.
.
.
0 · · · · · · · · · 0 ann
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 58 / 131
61. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Matrice triangulaires, matrices diagonales
Une matrice qui est triangulaire inférieure et triangulaire supérieure est
dite diagonale. Autrement dit :
i 6= j =⇒ aij = 0
Exemple : .............
Théorème 3
Une matrice A de taille n × n, triangulaire, est inversible si et seulement si
ses éléments diagonaux sont tous non nuls.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 61 / 131
62. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Transposition
Soit A la matrice de taille n × p
A =
a11 a12 . . . a1p
a21 a22 . . . a2p
.
.
.
.
.
.
.
.
.
an1 an2 . . . anp
Définition 12
On appelle matrice transposée de A la matrice AT de taille p × n définie
par :
AT
=
a11 a21 . . . an1
a12 a22 . . . an2
.
.
.
.
.
.
.
.
.
a1p a2p . . . anp
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 62 / 131
64. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Transposition
Théorème 4
1 (A + B)T = AT + BT
2 (αA)T = αAT
3 (AT )T = A
4 (AB)T = BT AT
5 Si A est inversible, alors AT l’est aussi et on a (AT )−1 = (A−1)T .
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 64 / 131
65. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Trace
Soit A ∈ Mn(K)
A =
a11 a12 . . . a1n
a21 a22 . . . a2n
.
.
.
.
.
.
...
.
.
.
an1 an2 . . . ann
Définition 13
La trace de A est le nombre obtenu en additionnant les éléments
diagonaux de A, Autrement dit,
tr(A) = a11 + a22 + · · · + ann.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 65 / 131
67. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Trace
Théorème 5
Soient A et B deux matrices n × n, alors :
1 tr(A + B) = tr(A) + tr(B)
2 tr(α A) = α tr(A), ∀α ∈ K,
3 tr(AT ) = tr(A),
4 tr(AB) = tr(BA)
Démonstration : . . .
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 67 / 131
68. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Matrices symétriques
Définition 14
Une matrice A ∈ Mn(K) est symétrique si elle est égale à sa transposée :
A = AT
,
ou encore aij = aji , ∀i, j = 1, . . . , n. Les coefficients sont donc symétriques
par rapport à la diagonale.
Exemples :
0 2
2 4
,
−1 0 5
0 2 −1
5 −1 0
Pour une matrice B quelconque, B BT et BT B sont symétriques.
Preuve : . . .
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 68 / 131
69. Matrices
Matrices triangulaires, transposition, trace, matrices symétriques
- Matrices antisymétriques
Définition 15
Une matrice A ∈ Mn(K) est antisymétrique si
AT
= −A,
c’est-à-dire si aij = −aji , ∀i, j = 1, . . . , n
Exemples :
0 −1
1 0
,
0 4 2
−4 0 −5
−2 5 0
Toute matrice carrée est la somme d’un matrice symétrique et d’une
matrice antisymétrique.
preuve : Pour toute matrice A de suffit de poser B = 1
2(A + AT ),
C = 1
2(A − AT ) et enfin A = B + C
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 69 / 131
70. Espace vectoriel Rn
Vecteurs de Rn
- Opérations sur les vecteurs
L’espace de dimension n d’éléments de R est l’ensemble des n-uples
x1
x2
.
.
.
xn
de nombres réels. On le note Rn.
Soient u =
u1
.
.
.
un
et v =
v1
.
.
.
vn
deux vecteurs de Rn. Alors
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 70 / 131
71. Espace vectoriel Rn
Vecteurs de Rn
- Opérations sur les vecteurs
Définition 16
Somme de deux vecteurs : Leurs sommes est par définition u + v =
u1 + v1
.
.
.
un + vn
Produit d’un vecteur par un scalaire : Soit λ ∈ R alors λ · u =
λu1
.
.
.
λun
Le vecteur nul de Rn
est le vecteur
0
.
.
.
0
,
L’opposé du vecteur u =
u1
.
.
.
un
est le vecteur −u =
−u1
.
.
.
−un
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 71 / 131
72. Espace vectoriel Rn
Vecteurs de Rn
- Opérations sur les vecteurs
Théorème 6
Soient u =
u1
.
.
.
un
, v =
v1
.
.
.
vn
et w =
w1
.
.
.
wn
des vecteurs de Rn
et λ, µ ∈ R. Alors :
1 u + v = v + u
2 u + (v + w) = (u + v) + w
3 u + 0 = 0 + u = u,
4 u + (−u) = 0,
5 1 · u = u,
6 λ · (µ · u) = (λµ) · u
7 λ · (u + v) = λ · u + λ · v
8 (λ + µ) · u = λ · u + µ · u
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 72 / 131
73. Espace vectoriel Rn
Vecteurs de Rn
- Produit scalaire
Définition 17
Soient u =
u1
.
.
.
un
et v =
v1
.
.
.
vn
deux vecteurs de Rn
. On définit leur produit
scalaire par
hu | vi = uT
× v = u1v1 + u2v2 + . . . unvn
Exercices :
1 Faire un dessin pour chacune des 8 propriétés qui font de R2
un e.v.
2 Montrer que le produit scalaire vérifie hu | vi = hv | ui,
hu + v | wi = hu | wi + hv | wi, hλu | vi = λhu | vi pour tout u, v, w ∈ Rn
et λ ∈ R.
3 Soit u ∈ Rn
. Montrer que hu | ui 0. Montrer que hu | ui = 0 ssi u est le
vecteur nul.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 73 / 131
74. Espace vectoriel Rn
Exemples d’applications linéaires
Soient
f1 : Rp
−→ R f2 : Rp
−→ R . . . fn : Rp
−→ R
n fonctions de p variables réelles à valeurs réelles ; chaque fi est une
fonction :
fi : Rp
−→ R, (x1, x2, . . . , xp) 7→ fi (x1, . . . , xp)
On construit une application
f : Rp
−→ Rn
définie par
f (x1, . . . , xp) = (f1(x1, . . . , xp), . . . , fn(x1, . . . , xp))
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 74 / 131
76. Espace vectoriel Rn
Exemples d’applications linéaires
- Application linéaire
ou encore, si on note X =
x1
x2
.
.
.
xp
et A ∈ Mn,p(R) la matrice (ai j),
f (X) = AX
Exemple 1 :
La fonction f : R4 −→ R3 définie par
y1 = −2x1 + 5x2 + 2x3 − 7x4
y2 = 4x1 + 2x2 − 3x3 + 3x4
y3 = 7x1 − 3x2 + 9x3
s’exprime sous forme matricielle comme suit : .......
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 76 / 131
77. Espace vectoriel Rn
Exemples d’applications linéaires
- Exemples / Réflexion par rapport à l’axe (oy)
Réflexion par rapport à
l’axe (oy)
La fonction
f : R2
−→ R2
,
x
y
7→
−x
y
est la réflexion par rapport à
l’axe des ordonnées (oy), et
sa matrice est
−1 0
0 1
Figure – Réflexion par rapport à
l’axe (oy)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 77 / 131
78. Espace vectoriel Rn
Exemples d’applications linéaires
- Exemples /Ré flexion par rapport à l’axe (ox)
Réflexion par rapport à
l’axe (ox)
La réflexion par rapport à
l’axe des abscisses (ox) est
donnée par sa matrice
1 0
0 −1
Figure – Réflexion par rapport à
l’axe (ox)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 78 / 131
79. Espace vectoriel Rn
Exemples d’applications linéaires
- Exemples / Homothétie
Homothéties
L’homothétie de rapport λ
centré à l’origine est :
f : R2
−→ R2
,
x
y
7→
λx
λy
Sa matrice est alors
λ 0
0 λ
Figure – Homothétie de rapport λ
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 79 / 131
80. Espace vectoriel Rn
Exemples d’applications linéaires
- Exemples / Rotations
rotations
Soit f : R2 −→ R2 la rotation
d’angle θ, centrée à l’origine.
Les coordonnées x et y sont
données par :
x = r cos α
y = r sin α
Les coordonnées de la
rotation d’angle θ sont alors
x0 = r cos(α + θ)
y0 = r sin(α + θ)
Figure – Rotation d’angle θ
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 80 / 131
81. Espace vectoriel Rn
Exemples d’applications linéaires
- Exemples / Rotations
Ainsi en utilisant les formules de trigonométrie pour cos(α + θ) et
sin(α + θ) on obtient
x0 = r cos α cos θ − r sin α sin θ
y0 = r cos α sin θ + r sin α cos θ
⇒
x0 = x cos θ − y sin θ
y0 = x sin θ + y cos θ
donc
x0
y0
=
cos θ − sin θ
sin θ cos θ
x
y
Autrement dit, la matrice de rotation d’angle θ est donnée par la matrice
cos θ − sin θ
sin θ cos θ
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 81 / 131
82. Espace vectoriel Rn
Propriétés des applications linéaires
- Composition d’applications linéaires et produit de matrices
Soient
f : Rp
−→ Rn
et g : Rq
−→ Rp
deux applications. Leur composition :
Rq g
−→ Rp f
−→ Rn
f ◦ g : Rq
−→ Rn
est une application linéaire.
Notons
A = Mat(f ) ∈ Mn,p(R) la matrice associée à f ,
B = Mat(g) ∈ Mp,q(R) la matrice associée à g,
C = Mat(f ◦ g) ∈ Mn,q(R) la matrice associée à f ◦ g.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 82 / 131
83. Espace vectoriel Rn
Propriétés des applications linéaires
- Composition d’applications linéaires et produit de matrices
Pour tout vecteur X ∈ Rq :
(f ◦ g)(X) = f (g(X)) = f (BX) = A(BX) = (AB)X
La matrice associée C de f ◦ g est alors C = AB.
Autrement dit :
Mat(f ◦ g) = Mat(f ) × Mat(g)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 83 / 131
84. Espace vectoriel Rn
Propriétés des applications linéaires
- Composition d’applications linéaires et produit de matrices
Exemple :
Soit f : R2 −→
R2 la réflexion par
rapport à la droite
(y = x) et soit g :
R2 −→ R2 la ro-
tation d’angle θ =
π
3 (centrée à l’ori-
gine) .
............
Figure – f ◦ g, f : reflexion d’axe y = x et g : rotation
d’ange θ = π/3
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 84 / 131
85. Espace vectoriel Rn
Propriétés des applications linéaires
- Applications linéaires bijectives et matrices inversibles
Théorème 7
Une application linéaire f : Rn −→ Rn est bijective ssi sa matrice associée
A = Mat(f ) ∈ Mn(R) est inversible.
Corrolaire 1
Si f est bijective, alors
Mat(f −1
) = (Mat(f ))−1
Exemple : Soit f : R2 −→ R2 la rotation d’angle θ. Alors f −1 : R2 −→ R2
est la rotation d’angle −θ.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 85 / 131
86. Espace vectoriel Rn
Propriétés des applications linéaires
- Applications linéaires bijectives et matrices inversibles
Théorème 8
Les assertions suivantes sont équivalentes :
(i) La matrice A est inversible.
(ii) Le système linéaire AX =
0
.
.
.
0
a une unique solution X =
0
.
.
.
0
.
(iii) Pour tout second membre Y , le système linéaire AX = Y a une
unique solution X.
Démonstration : Exercice....
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 86 / 131
87. Espace vectoriel Rn
Propriétés des applications linéaires
- Caractérisation des applications linéaires
Théorème 9
Une application f : Rp −→ Rn est linéaire ssi pour tous les vecteurs u, v
de Rp et pour tout scalaire λ ∈ R, on a
(i) f (u + v) = f (u) + f (v),
(i) f (λu) = λf (u).
Dans le cadre général des espaces vectoriels, ce sont ces deux propriétés (i)
et (ii) qui définissent une application linéaire.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 87 / 131
88. Espace vectoriel Rn
Propriétés des applications linéaires
- Caractérisation des applications linéaires
Définition 19
Les vecteurs
e1 =
1
0
0
.
.
.
0
, e2 =
0
1
0
.
.
.
0
, . . . , ep =
0
0
.
.
.
0
1
sont appelés les vecteurs de la base canonique de Rp
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 88 / 131
89. Espace vectoriel Rn
Propriétés des applications linéaires
- Caractérisation des applications linéaires
Corrolaire 2
Soit f : Rp −→ Rn une application linéaire, et soient e1, . . . , ep les
vecteurs de la base canonique de Rp. Alors la matrice de f (dans les bases
canoniques de Rp vers Rn) est donnée par
Mat(f ) = ( f (e1) f (e2) . . . f (ep) );
autrement dit les vecteurs colonnes de Mat(f ) sont les images par f des
vecteurs de la base canonique (e1, . . . , ep).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 89 / 131
91. Espace vectoriel Rn
Propriétés des applications linéaires
- Caractérisation des applications linéaires
Donc la matrice de f est :
Mat(f ) =
2 1 −1
−1 −4 0
5 1 1
0 3 2
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 91 / 131
92. Espace vectoriel
Espace vectoriel
- Définition d’un espace vectoriel
Comme dans les sections précédente, K désignera dans cette section un
corps et dans la plupart des exemples, ce sera le corps des réels R.
Définition 20
Un K-espace vectoriel est un ensemble non vide E muni :
d’une loi de composition interne, c’est-à-dire d’une application de
E × E dans E :
E × E → E
(u, v) 7→ u + v
d’une loi de composition externe, c’est-à-dire d’une application de
K × E dans E :
K × E → E
(λ, u) 7→ λ · u
qui vérifie les propriétés suivantes :
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 92 / 131
93. Espace vectoriel
Espace vectoriel
- Définition d’un espace vectoriel
1 u + v = v + u (pour tout u, v ∈ E)
2 u + (v + w) = (u + v) + w (pour tout u, v, w ∈ E)
3 Il existe un élément neutre 0E ∈ E tel que u + 0E = u (pour tout
u ∈ E)
4 Tout u ∈ E admet un symétrique u0 tel que u + u0 = 0E . Cet
élément u0 est noté −u.
5 1 · u = u (pour tout u ∈ E)
6 λ · (µ · u) = (λµ) · u (pour tous λ, µ ∈ K, u ∈ E)
7 λ · (u + v) = λ · u + λ · v (pour tout λ ∈ K, u, v ∈ E)
8 (λ + µ) · u = λ · u + µ · u (pour tous λ, µ ∈ K, u ∈ E).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 93 / 131
94. Espace vectoriel
Espace vectoriel
- Définition d’un espace vectoriel
Exemple :
Le R-ev R2.
Le R-ev Rn.
Tout plan passant par l’origine de R3 est un e.v (par rapport aux
opérations habituelles sur les vecteurs). En posant K = R et E = P
un plan passant par l’origine (ce plan admet une équation de la forme
ax + by + cz = 0, où a, b et c sont des réels non nuls) on peut
montrer que ce plan vérifie les propriétés du théorème précédent.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 94 / 131
95. Espace vectoriel
Espace vectoriel
- Définition d’un espace vectoriel
Exercices :
1 Vérifier les 8 axiomes qui font d’une droite D de R3 passant par
l’origine définie par
ax + by + cz = 0
a0x + b0y + c0y = 0
2 Justifier que les ensembles suivants ne sont pas des e.v :
{(x, y) ∈ R2 | xy = 0} ; {(x, y) ∈ R2 | x = 1} ;
{(x, y) ∈ R2 | x 0 et y 0} ;
{(x, y) ∈ R2 | − 1 6 x 6 1 et − 1 6 y 6 1}.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 95 / 131
96. Espace vectoriel
Espace vectoriel
- Détails des axiomes de la définition
Loi interne
La loi de composition interne de E, c’est une application de E × E dans E :
E × E → E
(u, v) 7→ u + v
c’est-à-dire qu’à partir de deux vecteurs u et v de E, on nous fournit un
troisième, qui noté u + v.
Loi externe
La loi de composition externe, c’est une application de K × E dans E :
K × E → E
(λ, u) 7→ λ · u
C’est-à-dire qu’à partir,’un scalaire λ ∈ K et d’un vecteur u ∈ E, on nous
fournit un autre vecteur, qui sera noté λ · u.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 96 / 131
97. Espace vectoriel
Espace vectoriel
- Détails des axiomes de la définition
Axiomes relatifs à la loi interne
1 Commutativité. Pour tous u, v ∈ E, u + v = v + u.
2 Associativité. Pour tous u, v, w ∈ E, on a
u + (v + w) = (u + v) + w .
3 Element neutre. Il existe un élément de E noté 0E , vérifiant : pour
tout u ∈ E , u + 0E = u. L’élément neutre 0E est appelé vecteur nul.
4 Symétrique (ou opposé) : Il existe un élément u0 de E tel que
u + u0 = 0E . Cet élément u0 est noté −u.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 97 / 131
98. Espace vectoriel
Espace vectoriel
- Détails des axiomes de la définition
Proposition 10
S’il existe un élément neutre 0E vérifiant l’axiome (3) ci-dessus, alors
il est unique.
Soit u un élément de E. S’il existe un élément symétrique u0 de E
vérifiant l’axiome (4), alors il est unique.
Preuve : .......
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 98 / 131
99. Espace vectoriel
Espace vectoriel
- Détails des axiomes de la définition
Axiomes relatifs à la loi externe
1 Soit 1 l’élément neutre de la multiplication de K. Pour tout élément u
de E, on a
1 · u = u
2 Pour tous éléments λ et µ de K et pour tout élément u de E, on a
λ · (µ · u) = (λ × µ) · u
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 99 / 131
100. Espace vectoriel
Espace vectoriel
- Détails des axiomes de la définition
Axiomes liant les deux lois
1 Distributivité par rapport à l’addition des vecteurs. Pour tout
élément λ ∈ K et pour tout u ∈ E, on a
λ · (u + v) = λ · u + λ · v
2 Distributivité par rapport à l’addition des scalaires. Pour tous
λ, µ ∈ K et pour tout élément u ∈ E, on a
(λ + µ) · u = λ · u + µ · u
La loi interne et la loi externe doivent satisfaire tous ces axiomes énuméré
ci-dessus pour que (E, +, ·) soit un e.v sur K.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 100 / 131
101. Espace vectoriel
Espace vectoriel
- Exemples
L’espace vectoriel des fonction de R dans R
L’ensemble des fonctions f : R → R est noté F(R, R), muni de
l’opérateur d’addition dans les fonctions ” + ” et de l’opérateur de
multiplication des fonctions par un scalaire (un réels) ” · ”.
Le R-e.v des suites réelles.
On muni l’ensemble S des suites réelles (un)n∈N de l’addition dans les
suites et de la multiplication par un scalaire.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 101 / 131
102. Espace vectoriel
Espace vectoriel
- Calculs
Proposition 11
Soient E un e.v sur un corps K. Soient u ∈ E et λ ∈ K. Alors on a :
1 0 · u = 0E
2 λ · 0E = 0E
3 (−1) · u = −u
4 λ · u = 0E ⇔ λ = 0 ou u = 0E
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 102 / 131
103. Espace vectoriel
Sous-espace vectoriel
- définition
Définition 21
Soie E un K-e.v. Une partie F de E est appelée un sous espace vectoriel
(s.e.v) si :
0E ∈ F
u + v ∈ F pour tous u, v ∈ F,
λ · u ∈ F pour tout λ ∈ K et tout u ∈ F.
Exemple :
1 L’ensemble F = {(x, y) ∈ R2 | x + y = 0} est un s.e.v de R2
2 L’ensemble des fonctions continues sur R est un s.e.v de l’e.v des
fonctions de R vers R
3 L’ensemble F1 = {(x, y) ∈ R2 | x + y = 2} n’est pas un s.e.v de R2.
4 L’ensemble F2 = {(x, y) ∈ R2 | x = 0 ou y = 0} n’est pas un s.e.v de
R2.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 103 / 131
104. Espace vectoriel
Sous-espace vectoriel
- définition
Théorème 10
Soit E un K-ev et F un s.e.v de E. Alors F lui même est un K-ev pour les
lois induites par E.
Methodologie : Pour montrer qu’un ensemble F est un e.v, une façon
plus efficace est de trouver un e.v E qui contient F et ensuite prouver que
F est un s.e.v de E. Dans ce cas il y a seulement 3 propriétés à vérifier au
lieu de 8.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 104 / 131
105. Espace vectoriel
Sous-espace vectoriel
- caractérisation d’un s.e.v et intersection de deux s.e.v
Théorème 11 (Caractérisation d’un s.e.v)
Soient E un K-e.v et F une partie non vide de E. F est un s.e.v de E si et
seulement si
λu + µv ∈ F pour tous u, v ∈ F et tous λ, µ ∈ K
Proposition 12 (Intersection de deux s.e.v)
Soient F, G deux s.e.v d’un K-e.v E. L’intersection F ∩ G est un s.e.v de
E.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 105 / 131
106. Espace vectoriel
Sous-espace vectoriel
- somme de deux s.e.v
Définition 22 (Somme de deux s.e.v)
Soient F et G deux s.e.v d’un K-e.v E. L’ensemble de tous les éléments
u + v, où u est un élément de F et v est un élément de G, est appelé
somme des s.e.v F et G. Cette somme est notée F + G. On a donc
F + G = {u + v | u ∈ F, v ∈ G}
Proposition 13
Soient F et G deux s.e.v d’un K-e.v E.
1 F + G est un s.e.v de E.
2 F + G est le plus petit s.e.v contenant à la fois F et G.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 106 / 131
107. Espace vectoriel
Sous-espace vectoriel
- somme de deux s.e.v
Exemple :
Déterminer F + G dans le cas où F et G sont les s.e.v de R3 suivants :
F = {(x, y, z) ∈ R3
| y = z = 0} et G = {(x, y, z) ∈ R3
| x = z = 0}
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 107 / 131
108. Espace vectoriel
Sous-espace vectoriel
- s.e.v supplémentaires
Définition 23
Soient F et G deux s.e.v de E. F et G sont en somme directe dans E si
• F ∩ G = {0E },
• F + G = E.
On note alors F ⊕ G = E.
Si F et G sont en somme directe, on dit que F et G sont des s.e.v
supplémentaires dans E.
Proposition 14
F et G sont supplémentaires dans E si et seulement si tout élément de E
s’écrit d’une manière unique comme la somme d’un élément de F et d’un
élément de G.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 108 / 131
109. Espace vectoriel
Sous-espace vectoriel
- s.e.v supplémentaires
Exemple :
Soient F = {(x, 0) | x ∈ R} et G = {(0, y) | y ∈ R}. Monter que
F ⊕ G = R2.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 109 / 131
110. Espace vectoriel
Sous-espace vectoriel
- sous-espace engendré
Théorème 12 (Théorème de structure l’ensemble des combinaisons
linéaires)
Soit {ν1, . . . , νn} un ensemble fini de vecteurs d’un K-e.v E. Alors :
L’ensemble de combinaisons linéaires des vecteurs {ν1, . . . , νn} est un
s.e.v de E.
C’est le plus petit s.e.v de E (au sens de l’inclusion) contenant les
vecteurs ν1, . . . , νn.
Notation : Ce s.e.v est appelé sous-espace engendré par ν1, . . . , νn. et
est nonté Vect(ν1, . . . , νn). On a donc
u ∈ Vect(ν1, . . . , νn) ⇐⇒ il existe λ1, . . . , λn ∈ K tel que u = λ1ν1 +· · ·+λnνn
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 110 / 131
111. Espace vectoriel
Sous-espace vectoriel
- sous-espace engendré
Méthodologie : On peut démontrer qu’une partie F d’un e.v E est un
s.e.v de E en montrant que F est égal à l’ensemble des combinaisons
linéaires d’un nombre fini de vecteurs de E.
Exemple :
Est-ce que F = {(x, y, z) ∈ R3 | x − y − z = 0} est un s.e.v de R3 ?
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 111 / 131
112. Espace vectoriel
Application linéaire
- définition
Soient E et F deux K-e.v . Une application f de E dans F est une
application linéaire si elle satisfait aux deux conditions suivantes :
1 f (u + v) = f (u) + f (v), pour tous u, v ∈ E ;
2 f (λ · u) = λ · f (u), pour tout u ∈ E et tout λ ∈ K.
Autrement dit : une application est linéaire si elle respecte les deux
lois d’u e.v .
Notation : L’ensemble des applications linéaires de E dans F est noté
L(E, F).
Exemple : L’application f définie par
f : R3 → R2
(x, y, z) 7→ (−2x, y + 3z)
est une application linéaire.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 112 / 131
113. Espace vectoriel
Application linéaire
- propriétés
Proposition 15
Soient E et F deux K-e.v. Si f est une application linéaire de E dans F,
alors :
f (0E ) = 0F ,
f (−u) = −f (u), pour tout u ∈ E.
Proposition 16 (Caractérisation d’une application linéaire)
Soient E et F deux K-e.v et f une application linéaire de E dans F.
L’application f est linéaire si et seulement si, pour tous vecteurs u et v de
E et pour tous scalaires λ, µ de K,
f (λu + µv) = λf (u) + µf (v)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 113 / 131
114. Espace vectoriel
Application linéaire
- Image d’une application linéaire
Soient E et F deux ensembles et f une application linéaire de E dans F.
Soit A un sous-ensemble de E. L’ensemble des image par f des éléments
de A, appelé image directe de A par f , est noté f (A). C’est un
sous-ensemble de F. On a par définition
f (A) = {f (x) | x ∈ A}
Dans la suite, E et F désigneront des K-e.v et f : E → F sera une
application linéaire. f (E) s’appelle l’image de l’application linéaire f et est
noté Im(f )
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 114 / 131
115. Espace vectoriel
Application linéaire
- Image d’une application linéaire
Proposition 17 (Structure de l’image d’un s.e.v)
1 Si E0 est un s.e.v de E, alors f (E0) est un s.e.v de F.
2 En particulier Im(f ) est un s.e.v de F.
Remarque
On a par définition de l’image directe f (E) :
f est surjective ssi Im(f ) = F
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 115 / 131
116. Espace vectoriel
Application linéaire
- Noyau d’une application linéaire
Définition 24
Soient E et F deux K-e.v et f une application linéaire de E dans F. Le
noyau de f , noté ker(f ) est l’ensemble des éléments de E dont l’image est
0F :
ker(f ) = {x ∈ E | f (x) = 0F }
Autrement dit, le noyau est l’image réciproque du vecteur nul de l’espace
d’arrivée : ker(f ) = f −1{0F }.
Proposition 18
Soient E et F deux K-e.v et f une application linéaire de E dans F. Le
noyau de f est un s.e.v de E.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 116 / 131
117. Espace vectoriel
Application linéaire
- Noyau d’une application linéaire
On reprend l’application linéaire f définie par
f : R3 → R2
(x, y, z) 7→ (−2x, y + 3z)
Calculons ker(f ) et Im(f )
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 117 / 131
118. Déterminants
dimensions 2 et 3
Matrice 2 × 2
det
a b
c d
= ad − cd
Matrice 3 × 3
Soit A ∈ M3(K) une matrice 3 × 3
a11 a12 a13
a21 a22 a23
a31 a32 a33
det(A) = a11a22a33 + a12a23a31 + a13a21a32
− a31a22a13 − a32a23a11 − a33a21a12
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 118 / 131
119. Déterminants
dimensions 2 et 3
- règle de Sarrus
Un moyen plus facile pour effectuer le calcul de déterminant d’une matrice
3 × 3 est la règle de Sarrus : On recopie les deux premières colonnes à
droite de la matrice, puis on additionne les produits des trois termes en les
regroupant selon la direction de la diagonale descendante (à gauche), et
on soustrait ensuite les produits de trois termes regroupés selon la
direction de la diagonale montante (à droite).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 119 / 131
120. Déterminants
dimensions 2 et 3
- exemple
Exemple :
Calculer le déterminant de la matrice A =
2 1 0
1 −1 3
3 2 1
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 120 / 131
121. Déterminants
Définition du déterminant
- définitions
Le déterminant peut être caractérisé comme une application, qui à une
matrice carrée associe un scalaire :
det : Mn(K) −→ K
Théorème 13
Il existe une unique application de Mn(K) dans K, appelée déterminant,
telle que
(i) le déterminant est linéaire par rapport à chaque vecteur colonne,les
autres étant fixés ;
(ii) si une matrice A a deux colonnes identiques, alors son déterminant
est nul ;
(iii) le déterminant de la matrice identité In vaut 1.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 121 / 131
122. Déterminants
Définition du déterminant
- définitions
On note le déterminant d’une matrice A = (aij ) par :
det(A) ou
a11 a12 · · · a1n
a21 a22 · · · a2n
.
.
.
.
.
.
.
.
.
an1 an2 · · · ann
Si on note Ci la i-ème colonne de A, alors
det(A) = |C1 C2 · · · Cn| = det(C1, C2, . . . , Cn)
Avec cette notation, la propriété (i) de linéarité par rapport à la colonne j
s’écrit : pour tout λ, µ ∈ K,
det(C1, . . . , λCj + µC0
j , . . . , Cn) = λdet(C1, . . . , Cj , . . . , Cn)
+ µdet(C1, . . . , Cj , . . . , Cn)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 122 / 131
124. Déterminants
Définition du déterminant
- propriétés
Proposition 19
Soit A ∈ Mn(K) une matrice ayant les colonnes C1, C2, . . . , Cn. On note A0
la matrice obtenue par une des opérations élémentaires sur les colonnes,
qui sont :
1 Ci ← λCi avec λ 6= 0 : A0 est obtenue en multipliant une colonne de
A par un scalaire non nul. Alors det(A0) = λdet(A).
2 Ci ← Ci + λCj avec λ ∈ K (et j 6= i) : A0 est obtenue en ajoutant à
une colonne de A un multiple d’une autre colonne de A. Alors
det(A0) = det(A).
3 Ci ↔ Cj : A0 est obtenue en échangeant deux colonnes distinctes de
A. Alors det(A0) = −det(A).
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 124 / 131
125. Déterminants
Définition du déterminant
- propriétés
Corrolaire 3
Si une colonne Ci de la matrice A est combinaison linéaire des autres
colonnes, alors det(A) = 0.
Proposition 20
Le déterminant d’une matrice triangulaire supérieure (ou inférieure) est
égal au produit des termes diagonaux.
Corrolaire 4
Le déterminant d’une matrice diagonale est égal au produit des termes
diagonaux.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 125 / 131
126. Déterminants
Propriétés du déterminant
- Exercice
Exercice : En utilisant des opération élémentaires sur les colonnes,
calculer det(A) où A =
0 3 2
1 −6 6
5 9 1
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 126 / 131
127. Déterminants
Propriétés du déterminant
- déterminant d’un produit, d’une matrice inversible et de la transposée
Théorème 14 (Déterminant d’un produit)
det(AB) = det(A) · det(B)
Corrolaire 5 (Déterminant d’une matrice inversible)
Une matrice carré A est inversible si et seulement si son déterminant est
non nul. De plus si A est inversible, alors :
det(A−1
) =
1
det(A)
Corrolaire 6 (Déterminant de la transposée)
det(AT
) = det(A)
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 127 / 131
128. Déterminants
Calcul de déterminants
- Cofacteur
Définition 25
Soit A = (aij ) ∈ Mn(K) une matrice carrée.
On note Aij la matrice extraite, obtenue en effaçant la ligne i et la
colonne j de A.
Le nombre det(Aij ) est un mineur d’ordre n − 1 de la matrice A.
Le nombre Cij = (−1)i+j det(Aij ) est le cofacteur de A relatif au
coefficient aij .
Exercice :
Soit A =
1 2 3
4 2 1
0 1 1
. Calculer A11, C11, A32, C32.
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 128 / 131
129. Déterminants
Calcul de déterminants
- développement suivant une ligne ou un e colonne
Théorème 15 (Développement suivant une ligne ou une colonne)
Formule de développement par rapport à la ligne i :
det(A) =
n
X
j=1
(−1)i+j
aij det(Aij ) =
n
X
j=1
aij Cij
Formule de développement par rapport à la colonne j :
det(A) =
n
X
i=1
(−1)i+j
aij det(Aij ) =
n
X
i=1
aij Cij
Exercice :
Calculer le déterminant de la matrice A =
4 0 3 1
4 2 1 0
0 3 1 −1
1 0 2 3
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 129 / 131
130. Déterminants
Calcul de déterminants
- inverse d’une matrice
Soit A ∈ Mn(K) une matrice carrée.
On lui associe la matrice C des cofacteurs, appelée comatrice, et notée
Com(A)
C = (Cij ) =
C11 C12 · · · C1n
C21 C22 · · · C2n
.
.
.
.
.
.
.
.
.
Cn1 Cn2 · · · Cnn
Théorème 16
Soit A une matrice inversible, et C sa comatrice. On a alors
A−1
=
1
det(A)
CT
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 130 / 131
131. Déterminants
Calcul de déterminants
- inverse d’une matrice
Exercice : Calculer l’inversible de la matrice A =
1 1 0
0 1 1
1 0 1
P.O.Fabrice OUEDRAOGO Algèbre linéaire 2019-2020 131 / 131